Schița de curs
Introducere în Reinforcement Learning și AI Agentic
- Luarea deciziilor în condiții de incertitudine și planificarea secvențială
- Componente cheie ale RL: agenți, medii, stări și recompense
- Rolul RL în sistemele de AI adaptive și agentic
Procese Decizionale Markov (MDPs)
- Definiția formală și proprietățile MDP-urilor
- Funcții de valoare, ecuațiile Bellman și programarea dinamică
- Evaluarea, îmbunătățirea și iterarea politicii
Reinforcement Learning Fără Model (Model-Free)
- Învățare Monte Carlo și Temporal-Difference (TD)
- Q-learning și SARSA
- Hands-on: implementarea metodelor de RL tabulare în Python
Deep Reinforcement Learning
- Combinația rețelelor neuronale cu RL pentru aproximația funcțiilor
- Deep Q-Networks (DQN) și experience replay
- Arhitecturi Actor-Critic și gradientul politicii
- Hands-on: antrenarea unui agent folosind DQN și PPO cu Stable-Baselines3
Strategii de Explorare și Reward Shaping
- echilibrarea explorării cu exploatarea (epsilon-greedy, UCB, metode de entropie)
- Proiectarea funcțiilor de recompensă și evitarea comportamentelor nedorite
- Reward shaping și curriculum learning
Subiecte Avansate în RL și Luare a Deciziilor
- Reinforcement learning multi-agent și strategii de cooperare
- Reinforcement learning ierarhic și framework de opțiuni
- Offline RL și imitation learning pentru o implementare mai sigură
Medii de Simulare și Evaluare
- Folosirea OpenAI Gym și a mediilor personalizate
- Spații de acțiuni continue vs. discrete
- Metrici pentru performanța, stabilitatea și eficiența de eșantionare a agentului
Integrarea RL în Sisteme de AI Agentic
- Combinația raționamentului cu RL în arhitecturi de agenți hibride
- Integrarea reinforcement learning cu agenți care utilizează unelte
- Considerații operaționale pentru scalare și implementare
Proiect Final (Capstone)
- Proiectarea și implementarea unui agent de reinforcement learning pentru o task simulată
- Analizarea performanței antrenării și optimizarea hiperparametrilor
- Demonstrarea comportamentului adaptiv și a luării deciziilor într-un context agentic
Rezumat și Pași Următori
Cerințe
- Stăpânire avansată a programării în Python
- Înțelegere solidă a conceptelor de machine learning și deep learning
- Familiaritate cu algebra liniară, probabilități și metode de bază de optimizare
Publicul țintă
- Ingineri de reinforcement learning și cercetători aplicați în AI
- Developeri în robotică și automatizare
- Echipe de inginerie care lucrează la sisteme de AI adaptive și agentic
Mărturii (3)
Trainerul este răbdător și foarte util. Cunoaște bine subiectul.
CLIFFORD TABARES - Universal Leaf Philippines, Inc.
Curs - Agentic AI for Business Automation: Use Cases & Integration
Tradus de catre o masina
Bună amestec de cunoștințe și practică
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curs - Agentic AI for Enterprise Applications
Tradus de catre o masina
Mixul dintre teorie și practică, precum și al perspectivelor de nivel ridicat și de nivel scăzut
Ion Mironescu - Facultatea S.A.I.A.P.M.
Curs - Autonomous Decision-Making with Agentic AI
Tradus de catre o masina
